Metodologia Computacional para Detecção Automática do Glaucoma em Imagens de Fundo de Olho
Resumo
O glaucoma é uma doença causada pela lesão do nervo óptico. Manifesta-se de maneira crônica ou aguda, quando crônico é caracterizado pela perda da visao periférica. Quando agudo, se dá porque a pressão interna do olho torna-se extremamente alta e causa perda súbita da visão. Este estudo visa desenvolver uma metodologia computacional para detectar o glaucoma em imagens de fundo de olho por meio do cálculo da razão dos diâmetros da Cavidade do Disco O´ ptico e do Disco O´ ptico, denominado como Cup-To-Disc Ratio. O método ainda em desenvolvimento, obteve 91,75% na segmentação do DO.
Referências
Canny, J. (1986). A computational approach to edge detection. Pattern Analysis and Machine Intelligence, IEEE Transactions on, (6):679–698.
Gonçãlves, M. R., Guedes, M. d. M. R., Chaves, M. A. P. D., de Lima Pereira, C. C., and Otton, R. (2013). Análise dos fatores de risco e epidemiologia em campanha de prevenção da cegueira pelo glaucoma em jo˜ao pessoa, paraíba. Rev Bras Oftalmol, 72(6):396–9.
Gonzalez, R. and Woods, R. (2008). Digital Image Processing. Pearson Prentice Hall, 3 edition.
Kanungo, T., Mount, D. M., Netanyahu, N. S., Piatko, C. D., Silverman, R., and Wu, A. Y. (2002). An efficient k-means clustering algorithm: Analysis and implementation.
Pattern Analysis and Machine Intelligence, IEEE Transactions on, 24(7):881–892.
Maraschin, D., Maestri, M., Feller, N., Nedel, L., and Duncan, B. (2011). Análise de imagens de retinografia digital com imagej customizado. In WIM – XI Workshop de Informática Médica, Natal, RN.
Paranhos-Junior, A., Omi, C., and Prata-Junior, J. (2009). Sociedade brasileira de glaucoma: Iii consenso brasileiro de glaucoma primário de ângulo aberto. Sao Paulo: BestPoint, pages 77–96.
Sivaswamy, J., Krishnadas, S., Datt Joshi, G., Jain, M., Tabish, S., and Ujjwaft, A. (2014). Drishti-gs: Retinal image dataset for optic nerve head (onh) segmentation. In Biomedical Imaging (ISBI), 2014 IEEE 11th International Symposium on, pages 53–56. IEEE.
Gonçãlves, M. R., Guedes, M. d. M. R., Chaves, M. A. P. D., de Lima Pereira, C. C., and Otton, R. (2013). Análise dos fatores de risco e epidemiologia em campanha de prevenção da cegueira pelo glaucoma em jo˜ao pessoa, paraíba. Rev Bras Oftalmol, 72(6):396–9.
Gonzalez, R. and Woods, R. (2008). Digital Image Processing. Pearson Prentice Hall, 3 edition.
Kanungo, T., Mount, D. M., Netanyahu, N. S., Piatko, C. D., Silverman, R., and Wu, A. Y. (2002). An efficient k-means clustering algorithm: Analysis and implementation.
Pattern Analysis and Machine Intelligence, IEEE Transactions on, 24(7):881–892.
Maraschin, D., Maestri, M., Feller, N., Nedel, L., and Duncan, B. (2011). Análise de imagens de retinografia digital com imagej customizado. In WIM – XI Workshop de Informática Médica, Natal, RN.
Paranhos-Junior, A., Omi, C., and Prata-Junior, J. (2009). Sociedade brasileira de glaucoma: Iii consenso brasileiro de glaucoma primário de ângulo aberto. Sao Paulo: BestPoint, pages 77–96.
Sivaswamy, J., Krishnadas, S., Datt Joshi, G., Jain, M., Tabish, S., and Ujjwaft, A. (2014). Drishti-gs: Retinal image dataset for optic nerve head (onh) segmentation. In Biomedical Imaging (ISBI), 2014 IEEE 11th International Symposium on, pages 53–56. IEEE.
Publicado
20/07/2015
Como Citar
PINHEIRO, Andre; ALMEIDA, João; B. JÚNIOR, Geraldo; SILVA, Aristófanes.
Metodologia Computacional para Detecção Automática do Glaucoma em Imagens de Fundo de Olho. In: SIMPÓSIO BRASILEIRO DE COMPUTAÇÃO APLICADA À SAÚDE (SBCAS), 15. , 2015, Recife.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2015
.
p. 197-200.
ISSN 2763-8952.
DOI: https://doi.org/10.5753/sbcas.2015.10381.
